초록
인공신경망은 복잡한 상호관계를 가지는 문제의 해결을 위한 효과적인 컴퓨터 테크닉으로써 많은 분야에 활발히 활용되고 있다. 본 논문에서는 지반의 액상화 가능성을 판별하기 위하여 인공신경망 이론을 사용하였으며, 이를 위하여 반복삼축압축시험 결과와 토성자료, 지반조사자료 등을 학습인자로 사용하였다. 학습과 검증에 서해안지역의 43개의 반복삼축압축시험 데이터가 사용되었다. 여기서 인공신경망의 학습은 예측된 CSR과 실측한 CSR 사이의 오차가 적어지도록 신경망의 가중치를 수정하는 것으로 이루어진다. 전체 신경망에 대한 평균제곱의 오차가 허용치 이내로 감소할 때까지 학습은 반복되어 진행되며 일반적으로 15,000 이상의 학습이 요구되는 것으로 나타났다. 다양한 노드수를 가지는 신경망에 대한 학습을 수행한 결과, 1번째 은닉층의 수가 20개이고 2번째 은닉층의 수가 10개인 신경망이 72~98%에 해당되는 정밀도를 가지고 해당 전단변형률과 반복횟수에서의 CSR값을 예측할 수 있었다. 여기서 NOC(Number of Cycle)와$D_10$, ($N_1$)$_60$ 등의 입력변수가 지반의 액상화 거동에 주요한 영향인자로 나타났다. 연구결과 인공신경망을 이용한 지반의 액상화 거동의 예측이 비교적 정확하게 산정됨을 알 수 있었으며, CSR과 ($N_1$)$_60$, NOC와의 관계가 기존의 연구 결과에 부합하여 나타남을 알 수 있었다.
Artificial neural networks are efficient computing techniques that are widely used to solve complex problems in many fields. In this paper a liquefaction potential was estimated by using a back propagation neural network model applicated to cyclic triaxial test data, soil parameters and site investigation data. Training and testing of the network were based on a database of 43 cyclic triaxial test data from 00 sites. The neural networks are trained by modifying the weights of the neurons in response to the errors between the actual output values and the target output value. Training was done iteratively until the average sum squared errors over all the training patterns were minimized. This generally occurred after about 15,000 cycles of training. The accuracy from 72% to 98% was shown for the model equipped with two hidden layers and ten input variables. Important effective input variables have been identified as the NOC,$D_10$ and (N$_1$)$_60$. The study showed that the neural network model predicted a CSR(Cyclic shear stress Ratio) of silty-sand reasonably well. Analyzed results indicate that the neural-network model is more reliable than simplified method using N value of SPT.